WiDS Taipei 2020 | AI 賦能的行銷科技趨勢與組織實踐 — 鄭芝郁 Josie
講者介紹 — 鄭芝郁（Josie）📍資深成長駭客顧問，曾在 Amazon、farfetch、RED（小紅書）、Mobike（摩拜單車）、Udacity 負責用戶增長。最早是數據分析師，後來擔任 Growth PM，擅長從數據中找到機會點，負責過行銷驅動、產品驅動、運營驅動相關的增長項目，主要強項是產品驅動的用戶增長。她在中國業界打滾多年，熱愛用戶成長產品並擁有豐富的實戰經驗，同時為 YOTTA 用戶成長課程的專業講師。📍講者簡介影片：https://www.facebook.com/watch/?v=291831538448246
Josie Cheng 透過三大主軸來貫穿主題，從消費者行為的改變與行銷思維的趨勢說起，接著透析數據科學在這個時代下的機會點，最後從自身經歷與業界觀察來分享實踐過程中會遇到的困難與挑戰。
▍一、行銷思維的趨勢：全渠道至全鏈路
日常生活的改變
現代人接收訊息、做決策、購買渠道跟過去已經大不相同。過去人們接受訊息的方式大多是透過電視明星代言、從大眾媒體上接收廣告後，直接走入店裡挑選商品；現代人則是先打開手機，搜尋他人的評價、在網路上比價，最後才決定是否要購買。
現代的購買流程有多複雜呢？消費者可能會先在社群媒體上看到商品資訊、朋友評價而初步燃起興趣，某天在路上逛街時又看到戶外廣告，於是前往實體店體驗，接著發現網路上的優惠價格更好，最後決定在網路上購買；或者反過來，日常跟朋友在路上逛街時無意間看到，某天滑社群媒體時候又被廣告打到而在網路上下單商品。
行銷思維的趨勢演進
我們這些消費者的日常生活有了許多的變化，在行銷思維上也勢必會有相對應的改變。
- 單渠道：純線下實體商店
- 多渠道：隨著互聯網興起，消費者能夠透過多種不同渠道購買
- 跨渠道：加上用戶思維，用戶可能會產生跨渠道的消費模式
- 全渠道：除了多個購買渠道外，隨著社群媒體的興起，大家在網路上獲取訊息的渠道也更多變與複雜，此時便出現了全渠道的思維
而在全渠道之後，下一個思維架構是全鏈路。
什麼是全鏈路（full-process）？
全鏈路並非是個全新的概念。早在 2017 年阿里巴巴就已經提出這個概念了，只是一開始是從設計的角度出發。
「參與整個商業鏈條，為每個會影響用戶體驗的地方提供設計的可解決方案，最後既滿足了商業目標，又提升了產品的用戶體驗和設計質量。」 — 阿里巴巴 2017
全鏈路思維是從「UX設計」起源，意指在做用戶體驗設計時候，需要從頭到尾把整個商業鏈中每個會影響用戶的環節一併考慮進去，透過提升用戶的整體體驗來滿足商業目標。
為什麼下一個趨勢會是從全渠道到全鏈路呢？以下這些技術演進與行為的改變，造成過去的行銷思維與方法論已無法有效地發揮優勢。
1. 技術演進：PC Internet / Mobile Internet / 5G
2. 用戶日常行為的改變：碎片化接觸＋用戶路徑改變
3. 用戶獲取資訊方式的改變：主動搜索到被動瀏覽
4. 觸達媒介的改變：單向廣播到雙向互動
5. 產品代言人的改變：專業明星到新媒體素人 KOL
6. 市場的改變： 渠道複雜化、競爭變大過去行銷多從「渠道」為出發點來思考行銷方式，而在多渠道且消費者行為愈趨複雜的現代，應該要以「人」為出發點來設計全盤的行銷策略。
1. 技術演進：PC Internet / Mobile Internet / 5G
智慧型手機、網路技術普及，將消費者從線下帶到線上，同時讓行銷團隊更容易去追蹤用戶行為、細分用戶圖像。
2. 用戶日常行為的改變：碎片化接觸＋用戶路徑改變
移動網路（mobile internet）的普及造就了隨時隨地連網、隨時隨地獲取資訊及購物的消費習慣。
在 PC 時代，消費者只能在特定的時間與地點操作 PC 去獲取資訊和進行購物。而移動網路的出現，除了螢幕大小及操作方式的改變對介面設計帶來很大的變化外，更重要的用戶互動設計上的改變，以及網路使用碎片化後，用戶接觸點與用戶路徑的改變。
3. 用戶獲取資訊方式的改變：主動搜索到被動瀏覽
而當用戶更加頻繁的碎片化接觸後，使用者行為與心態也漸漸從「目的性的搜索」慢慢走向「隨時隨地的探索」。
無時無刻都能連上網路，代表消費者能夠隨時隨地的進行探索來打發時間。隨著 5G 時代到來，因為網路速度更快，我們所探索的內容不只是圖文，影音類型的內容也能在極佳的用戶體驗下輕鬆地拿來打發時間。
而這樣的技術與用戶行為轉變，也代表著產品、品牌必須從被動的「能被用戶找到」的思維，轉變為在對的時間、對的場景主動接觸並「主動告訴他他需要什麼」。
4. 觸達媒介的改變：單向廣播到雙向互動
傳統媒介比較像是廣播，提供單一方向的資訊；而網路媒介的出現，開啟了雙向溝通的局面。
這個雙向進行的溝通，會因為不同的新媒體平台而需要以不同的角度、不同的目的做操作。例如 Instagram、Facebook、LINE、YouTube 都是社群媒體，但他們各自有截然不同的定位與用戶之間的互動模式。
此時若只是單純的以單渠道、多渠道做考量，單點式的優化無法發揮綜效。現在的行銷人員必須先將用戶的全鏈路體驗作為整體策略的考量，再討論每個平台上細節的執行方案。
5. 產品代言人的改變：專業明星到新媒體素人 KOL
網路媒體不像過去的傳統媒體是稀缺且昂貴的資源，相反的，它讓人人都有機會在一個群體裡具有一定的影響力。因此 KOL（Key Opinion Leader）取代過去只有大明星才能勝任的「商品代言人」角色。
更甚者，近年開始興起了 KOC（Key Opinion Customer）的概念。這個概念最早是以推薦行銷（Referral Program）、聯盟行銷（Affliate Marketing）的形式出現，而隨著用戶發聲越來越容易、人人都可以成為「代言人」，而演變出多種不一樣的玩法，出現所謂的 MGM（Member Get Member）及裂變行銷等等。
當人人都能是代言人之後，傳播路徑改變、消費決策改變，用戶不單單只是用戶，也會是你品牌的傳播者，此時行銷策略就更加需要被改變！
6. 市場的改變： 渠道複雜化、競爭變大
技術的改變、用戶行為的改變、渠道的改變，數位化也從興起到普及，連帶的市場整體出現了變化。渠道開始複雜化、進到互聯網世界的行業、品牌、公司也越來越多，互聯網上的既有紅利消失，整體的獲客成本上升。為了更加有效的利用資源、避免浪費，我們需要想得更多更全面。
從全渠道到全鏈路
再更仔細的說明不同思維模式之間的差異：
- 多渠道：多種購買管道，但是以公司產品為主題，以「物」為核心去思考
- 跨渠道：開始意識到用戶會在多渠道中去跨渠道產生消費行為
- 全渠道：開始以「用戶」為核心去思考，增加了訊息渠道。除了購物渠道以外，把其他的社群渠道、其他可觸達的渠道等等會影響消費的渠道都一併考量進來
- 全鏈路：從多渠道到跨渠道所加上的用戶思維，和從全渠道到全鏈路所加上的用戶思維是不一樣的，這還需要「互聯網思維」才能達成
從數位化思維到互聯網思維
數位化思維（Go Digital）只是把互聯網當作一個數位渠道，而非將互聯網應用貫穿行銷策略；互聯網思維（Internet）則是策略性思考如何利用互聯網貫穿用戶的日常行為路徑。
以電商為例，除了零售原本就具有的銷貨邏輯外，還要考慮用戶在平台上的轉化情況、留存情況、LTV（客戶終身價值）、用戶在平台上的行為。
在多渠道到跨渠道之間的差異是「用戶思維」，而全渠道到全鏈路也同樣具有用戶思維，但除了購買渠道以外增加了訊息渠道，因此這裡的用戶思維還增加了時間序列。
用戶思維＋時間序列 其實就是用戶路徑（User Journey）的概念，而這個從用戶為出發點的策略思考方式就是互聯網思維的重要核心。
全鏈路思維的衡量指標
在衡量指標的過程中若只是單純看 CPA、CPS，並無法有效的衡量全鏈路思考。
過往在意的是買量和曝光，所以 CPA、CPS 就足以衡量；而全鏈路講究的用戶路徑設計，要從「初始接觸到完成任務」的整個流程做全盤的思考。所以除了 CPA 以外，更要從用戶的 LTV（Customer Lifetime Value） 來看！兩者最大的差別在於前者是單點且當下的衡量、後者則是長期的衡量。
新環境下催生的新崗位 — 用戶增長
要達到策略上的全鏈路，工作上的日常邏輯也都應該是全鏈路，因此在網路產業中催生了「用戶增長 Growth」的崗位。這個轉變也影響到了傳統行業，愈來愈多的公司開始從 CMO（Chief Marketing Officer） 轉向設立 CGO（Chief Growth Officer）的新職位，像是可口可樂、麥當勞。
過往的 marketing、sales、PM，都是將同個職能的人匯集在同個部門裡，負責該階段的職務。然而在增長團隊（Growth Team）中，通常會按照用戶階段、狀態去做分工，用戶狀態除了常見的轉化漏斗外，也可能會按照不同的用戶分群（User Segments）給予不一樣的運營策略，未來在組織上說不定也有可能發展成按照不同的用戶群來分工呢！
▍二、AI 賦能的機會：廣告 / 電商 / 線下 / 衡量指標
數據科學與機器學習能如何應用到全鏈路的 MarTech 應用上？ — — 以廣告投放為例
目前廣告投放是最常見的 AI 應用之一，然而數據科學可以幫助的不只是廣告投放的單點應用，在不同的階段與行銷工作流程中都能夠發揮效益，例如投放素材、用戶分群、落地頁等等。
過去的行銷
實體生活中的足跡很難透過技術或工具直接追蹤並記錄，所以過去的行銷人員較擅長透過質化的用戶研究去了解消費者行為與偏好。
舉例來說，某品牌想推出新產品給「在意生活品質」的目標目標族群。品牌方會先去找市調公司，找到一群符合品牌方想要瞄準的目標客群做研究，蒐集整個產品的包裝、品牌定位、文案創意的相關資訊。
但等到真的都準備好了並要找到這群目標客群做行銷與溝通時，是很難再觸及到同樣這群目標用戶的。所以在過往，行銷策略和實際執行往往是分開的，無法再次精準的觸及同一群人。即便可以透過場域、時間等方式找到精準的人群來用原來的策略與創意進行溝通，但想要清楚的看到轉化結果也相對困難。
現在的作法
隨著數位廣告的出現，廣告開始分成品牌廣告和效果廣告。
我們不只可以在對的時間、對對的人進行廣告投放，更可以在每波行銷活動之間達到互相承接、互相加乘，進行以人為中心的全鏈路行銷策略。
比如在一輪品牌廣告投放中，我們可以將累積資料與數據，為下一輪的效果類廣告做準備。所以品牌廣告不僅只是當下的一檔廣告，更是為了以後更長期、更完整的策略在做準備。一波一波的廣告將會從過往獨立的項目變為可持續性的。
數據科學與機器學習能如何應用到全鏈路的MarTech應用上？ — — 以電商為例
AI 重構零售三元素： 人、貨、場
人、貨、場是零售的核心三元素。早年的電商是將零售搬到互聯網上，而 AI 的出現更是重構了零售的三元素。
過往的線下零售是以「貨」為核心，在「場」裡進行櫃列擺設，而「人」到「場」裡去買「貨」，是人去找貨。而 AI 的出現開始能夠實現以「人」為中心，讓貨來找人，「貨」和「場」滿足「人」去進行調配。
最常見的「貨找人」案例就是電商裡的商品推薦模組。電商裡的商品推薦模組是最早、也最成熟的機器學習與行銷科技結合的應用，透過推薦算法來提高用戶瀏覽的商品數、停留時間，甚至是購買轉化。
而個人化行銷（千人千面）則是基於數據科學技術的應用。你在社群媒體上看到的廣告，會因為你加入購物車、瀏覽過的商品而看到相對應的動態廣告（dynamic ad）；在電商平台或是內容網站上也能看到動態的商品與頁面素材；而未來，不只是商品，網路產品的功能模組可能也都能做到動態個人化。
AI 應用：線上帶動線下零售
資生堂、聯合利華透過 AI 分析消費者在線上購買數據，來進行線下的選址、預測各地區會較熱賣的商品包裝大小與系列並管理庫存量；Amazon 4-star Store 也從線上數據驅動線下實體門市，透過 Amazon 線上的購物數據，來進行門店選品與調配庫存量。
AI 應用：行銷活動的效果預估？用戶終身價值推算？
未來會是全鏈路的時代，在衡量行銷活動的時候也應該要用這樣的思路，使用 LTV 來衡量用戶的終身價值。AI 可以用來計算活動具體帶來了多少的增量，並衡量各渠道或是各機制對用戶 LTV 造成的影響。
▍三、組織如何實踐：思維建立＆與現有組織衝突
數據驅動的行銷與 Martech 已經漸漸成為顯學，許多公司都希望可以在團隊內推動數據化思維，然而有根據研究顯示，有 66% 的公司覺得自己沒有足夠的 Martech 人才！為什麼培養這樣的人才與推動這樣的文化如此困難？
挑戰一：數據驅動思維的建立
傳統的行銷環境，因為媒體及專長的養成並沒有那麼在意數據這塊，所以從最基礎的追蹤（tracking）、數據指標訂定、數據解讀到以數據做決策都是需要特別被訓練的。
「擁有數據不等於真正形成品牌數據資產,認識到數據價值也不等於能夠駕馭數據的力量。」 — — 阿里巴巴集團全域營銷中心總經理陸弢
從行銷活動（Campaign）的角度來看，需要考慮到
- 我們基於怎麼樣的數據決定要做這件事？
- 如何定義成功？成功的數據指標該如何訂定？
- 項目上線前是否已確認所有該追蹤的數據埋點都完成了？
- 各種數據上升、下降的解讀是否正確？
- …
【實際案例分享】我們的產品有兩個方案，一是「試用方案」免費試用五天、二是「月卡方案」直接購買月卡享優惠。上了一波回饋金的優惠活動，並且上線幾天以後，我們卻發現試用的用戶人數下降了，該怎麼解？這問題可以分成兩段式拆解。
1. 先查看一下這波行銷活動曝光的位子在哪兒？他會影響到整個漏斗的哪些環節？
2. 試用用戶人數下降了，那其他相關的數呢？新用戶的總數是上升或下降？購買月卡的用戶上升或下降？其他環節的轉化和平常一樣嗎？在這次的經驗裡，行銷活動曝光的位子放在用戶 landing 進來要註冊的地方，所以這波活動本身並不會增加 Top Funnel 的流量，最多只會影響進來的用戶後續行為的轉化。當初之所以會在註冊流程中提供「試用方案」及「月卡方案」兩種方式，是因為產品設計過程中發現大量新用戶會流失在付費的階段，所以想用免費試用的方案來留住那些不願意一開始就付費的用戶也能先體驗一下產品，後續才有機會再進行轉化。所以，試用的目的其實是為了提升更多人最終付費。而這次的行銷活動給的回饋是減免月卡費用，在註冊頁面上就已經成功讓新用戶感到划算而直接付費了，因此在固定的流量下有更高比例的人直接轉化購買了，這就是為什麼試用的人數下降的原因！從這個角度來看，這不是一件壞事！
以上的事件若發生在沒有足夠數據思維的行銷人員身上，可能就會因為一個指標下降而慌亂焦慮，甚至病急亂投藥。如果行銷人員都能夠有基礎的數據能力，這樣與數據人員的溝通上會更加高，同時若數據人員如果也能有一些行銷的背景知識，那從數據中給出見解也會更加有效！
挑戰二：基礎建設 — 數據工具/團隊的成熟度
大家總是很愛說要有數據精神、決策要數據驅動，但你的團隊真的是數據驅動嗎？
- 有多少決策真的來自於數據驅動？
- 討論過程是否具有實驗精神？會做 A/B Testing 和看數據才下決定嗎？
- 上線活動、功能，是否都會記得要埋數據追蹤？
- 當需要某項的數據，團隊需要多長的時間做準備才能拿到資料？有了數據之後又是否能夠立即反應？
- 團隊對平台上的用戶畫像清楚嗎？知道用戶進站後的流向嗎？
除此之外，更重要的是：
- 公司願意投資多少的錢多少的資源這塊工作上？
- 公司是否願意為了數據工具付費？
- 公司養了多少人去建立與維護這個數據工具？
- 這個團隊是否有能力自己建置並維護？
在產品早期、公司規模還小時，適合直接使用第三方現成的數據工具；等公司規模大了，有更多的資源與預算可以再考慮自行建置內部的數據工具與系統，一方面是基於資訊安全、隱私問題的考量，同時也能夠客製化團隊需要的功能。
挑戰三：零售思維與互聯網思維的數據驅動差異
如同前面提到的，過往零售業「人貨場」突出的是「貨」，貨品全、品質好、價格優惠；如今 AI 驅動的電商「人貨場」中突出的是「人」，每個人都能有標籤、有清楚的用戶畫像，知道他什麼時候想要什麼喜歡什麼。
零售思維與互聯網思維的數據驅動差異即是從過往重視貨、重視庫存的思維，轉向現在重視人，包含用戶的留存、客戶終身價值。
舉例來說，Amazon 上販售 Kindle 也販售 ebook，不能只看 Kindle 本身的 CPA，而是必須包含這個人購買 ebook 的客戶終身價值。舉另一個廣告投放的案例，通常我們都只會分成付費用戶跟非付費用戶，然而也許有一種人是不會付費、或是付費很少，但其實是很有影響力的 KOC 並且會推薦很多的付費朋友到平台上。這些都需要用更長遠的指標來思考跟衡量。
挑戰四：既有組織＆資源分配的衝突
團隊中的新崗位 User Growth 很容易造成既有組織、資源分配的衝突，直接去做組織變革不容易一次就成功，一般會採用專案制去實驗這樣的思維以及做法能帶來怎麼樣的差異。
如何確保這個專案制的團隊有足夠的資源與空間能夠去實驗去嘗試就變得很關鍵。理想中是由上而下的給予新的實驗團隊足夠的資源與彈性，也因此許多增長團隊則是直接匯報給 CEO 的，得到上級的支持才有辦法順利推動這個思維深植於企業文化中。
▍Key Takeaways
一、行銷思維的趨勢：全渠道至全鏈路
- 現今用戶行為碎片化，因此不能只有看單點，需要有全盤的做行銷策略
- 從數位化思維（Go Digital）到互聯網思維（Internet）
- 從全渠道（Omni Channel）到全鏈路（Full Process）
二、AI 賦能的機會：廣告 / 電商 / 線下 / 衡量指標
- AI 提供「全鏈路」思維實現的有效工具
- AI 重構了零售人、貨、場的關係，讓品牌更能在對的時空以對的貨觸達用戶
- AI 幫助行銷人員定義全鏈路新指標，更有效評估實踐成果與修正方向
三、組織如何實踐：思維建立＆與現有組織衝突
- 簡單的最難：基礎數據思維＆基礎工具很重要
- 取得零售「貨的思維」和互聯網「用戶思維」兩種數據驅動的平衡
- 新思維的實踐必須來自「由上而下」的資源直接支持
▍Ｑ＆Ａ
Q1、Josie 本身從數據分析師起家，目前工作內容則偏向策略面、商業面，能不能給想轉往這個職涯領域的工程師、分析師一些建議呢？
- 數據分析人員需要練習 storytelling 的能力！在小公司中需要說服的人較少，但在大公司要說服很多人，因此 storytelling 的能力格外重要。
- 先確認自己的目標、希望看見的改變是什麼，接著用故事去包裝數據，透過講一個好的故事來說服對方。
- 這個過程包含一開始蒐集數據、挖掘洞見，有初步發現之後開始架構想講的故事，接著還需要圍繞在這個故事和目標上去找到更多的數據來支撐，而這個過程中每一個步驟的邏輯也都要能夠經的起推敲。
Q2、數據人員缺乏行銷思維、行銷人員缺乏數據思維，常常會造成溝通上的誤解與隔閡，如何解決？
- 第一，兩個團隊可以有多一點的交流，例如舉辦工作坊（workshop）跟教育訓練（training）。
- 第二，則是兩個團隊要彼此分享在意的事情、數據，想想自己的角色可以如何幫助到對方、達成對方的目的。
- 從數據團隊的角度來看，必須要了解行銷團隊「最終的目的」才能真正幫助到對方。有時候對方在提出需求時已經自己先想了一層、歸納想要的數據細節，然而你其實比他更了解數據，因此最好是能夠問清楚知道最終目的，挖掘他想要這個數據的背後，真正想要達成的目標。
延伸閱讀：《 PM 如何與行銷團隊合作？溝通產品價值的好夥伴！》
Q3、實務上如何計算 LTV（Customer Lifetime Value 顧客終身價值）？
- 過去在中國工作的經驗中，計算 LTV 是非常普遍也基礎的事，有些公司甚至有標準公式，讓團隊成員帶入參數就可以快速算出數字。中國團隊非常在乎用戶路徑有沒有達成閉環，專案負責人關心的不是單點的數字，而是整個路徑中產生出來的閉環以及長遠的商業價值。在台灣不是所有團隊都有這麼完整的思維和計算機制，因此需要大家自己來推導。
- 計算 LTV 的方式與公式會因產業、產品不同而異，因此要先了解自己產品的本質。根據使用者路徑從整個週期來看每個階段的數據，並定義怎樣的狀況用戶算是死掉與流失。
- 大致上可以從這三個方向去思考：
(1) 用戶的生命週期長度
(2) 用戶在這段時間內產生的價值
(3) 用戶可以帶來多少價值的新用戶 - 第三點呼應到分享中提到的 KOC（Key Opinion Customer），有些用戶本身不一定自己花很多錢在產品上，但是可能會透過分享與推薦給身邊有消費力的朋友，而間接為產品產生價值。
- 而因為每個人的消費力不同，定義不同類型用戶的 LTV 也很重要，利用用戶轉換的渠道、用戶圖像來分群，看他們分別可以貢獻多少商業價值。
- 分群的用意其一是在投放廣告時可以瞄準跟高 LTV 用戶特質相似、或特定渠道的人；另一個目的則是將不同群用戶的 LTV 作為標準，思考如何提升低 LTV 用戶群的消費力，讓他們的價值可以更接近高 LTV 用戶們。
- 這不只是簡單計算用戶單次下單的金額、投放廣告的成本，因此相比過去行銷團隊所看的數據， LTV 的估算更需要用到數據科學的計算方式，這就是數據科學人員很好切入的機會點。
延伸閱讀：
《如何實際計算 Retention、LTV ，並產出可執行的商業計畫》
《SaaS 產品該如何設計？談數據指標＆設計思維重點（內含案例）》
《你不能不知道的增長指標 — 用戶全生命週期價值 Customer Lifetime Value （CLTV or CLV）》
想更深入了解 WiDS Taipei Conference 2020 的活動內容嗎？歡迎到此連結索取當天活動的 12 份完整簡報檔！更多 WiDS Taipei 2020 精彩演說紀錄，回索引文：
【延伸閱讀】
